{"id":1240,"date":"2023-07-27T04:14:56","date_gmt":"2023-07-27T04:14:56","guid":{"rendered":"https:\/\/statorials.org\/de\/testmanager-in-r\/"},"modified":"2023-07-27T04:14:56","modified_gmt":"2023-07-27T04:14:56","slug":"testmanager-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/testmanager-in-r\/","title":{"rendered":"So f\u00fchren sie den scheffe-test in r durch"},"content":{"rendered":"

<\/p>\n

\n

Eine einfaktorielle ANOVA<\/a> wird verwendet, um zu bestimmen, ob ein statistisch signifikanter Unterschied zwischen den Mittelwerten von drei oder mehr unabh\u00e4ngigen Gruppen besteht.<\/span><\/p>\n

Wenn der Gesamt -p-Wert<\/a> der ANOVA-Tabelle unter einem bestimmten Signifikanzniveau liegt, verf\u00fcgen wir \u00fcber ausreichende Beweise daf\u00fcr, dass sich mindestens einer der Gruppenmittelwerte von den anderen unterscheidet.<\/span><\/p>\n

Dies sagt uns jedoch nicht, welche<\/em> Gruppen sich voneinander unterscheiden. Dies zeigt uns einfach, dass nicht alle Gruppendurchschnitte gleich sind.<\/span><\/p>\n

Um genau zu wissen, welche Gruppen sich voneinander unterscheiden, m\u00fcssen wir einenPost-hoc-Test<\/a> durchf\u00fchren, der die<\/span> Fehlerrate pro Familie<\/a> kontrollieren kann.<\/span><\/p>\n

Einer der am h\u00e4ufigsten verwendeten Post-hoc-Tests ist der Scheffe-Test.<\/span><\/p>\n

In diesem Tutorial wird erkl\u00e4rt, wie der Scheffe-Test in R durchgef\u00fchrt wird.<\/span><\/p>\n

Beispiel: Scheffe-Test in R<\/strong><\/span><\/h3>\n

Angenommen, ein Lehrer m\u00f6chte wissen, ob drei verschiedene Lerntechniken zu unterschiedlichen Testergebnissen bei den Sch\u00fclern f\u00fchren. Um dies zu testen, weist sie nach dem Zufallsprinzip 10 Studenten zu, jede Lerntechnik anzuwenden, und zeichnet ihre Pr\u00fcfungsergebnisse auf.<\/span><\/p>\n

Wir k\u00f6nnen die folgenden Schritte in R verwenden, um eine einfaktorielle ANOVA anzupassen, um Unterschiede in den durchschnittlichen Pr\u00fcfungsergebnissen zwischen den drei Gruppen zu testen, und den Scheffe-Test verwenden, um genau zu bestimmen, welche Gruppen unterschiedlich sind.<\/span><\/p>\n

Schritt 1: Erstellen Sie den Datensatz.<\/span><\/strong><\/p>\n

Der folgende Code zeigt, wie man einen Datensatz erstellt, der die Pr\u00fcfungsergebnisse aller 30 Studenten enth\u00e4lt:<\/span><\/p>\n

 #create data frame<\/span>\ndata <- data.frame(technique = rep<\/span> (c(\"tech1\", \"tech2\", \"tech3\"), each<\/span> = 10<\/span> ),\n                   score = c(76, 77, 77, 81, 82, 82, 83, 84, 85, 89,\n                             81, 82, 83, 83, 83, 84, 87, 90, 92, 93,\n                             77, 78, 79, 88, 89, 90, 91, 95, 95, 98))\n\n#view first six rows of data frame<\/span>\nhead(data)\n\n  technical score\n1 tech1 76\n2 tech1 77\n3 tech1 77\n4 tech1 81\n5 tech1 82\n6 tech1 82\n<\/strong><\/pre>\n
 Schritt 2: Pr\u00fcfungsergebnisse f\u00fcr jede Gruppe anzeigen.<\/span><\/strong><\/p>\n
 Der folgende Code zeigt, wie Boxplots erstellt werden, um die Verteilung der Pr\u00fcfungsergebnisse f\u00fcr jede Gruppe zu visualisieren:<\/span> <\/p>\n
 boxplot(score ~ technique,\n        data = data,\n        main = \"Exam Scores by Studying Technique\",\n        xlab = \"Studying Technique\",\n        ylab = \"Exam Scores\",\n        col = \"steelblue\",\n        border = \"black\")\n<\/strong><\/pre>\n
\"Bonferroni-Korrektur<\/p>\n
 Schritt 3: F\u00fchren Sie eine einfaktorielle ANOVA durch.<\/span><\/strong><\/p>\n
 Der folgende Code zeigt, wie eine einfaktorielle ANOVA durchgef\u00fchrt wird, um Unterschiede zwischen den durchschnittlichen Pr\u00fcfungsergebnissen in jeder Gruppe zu testen:<\/span><\/p>\n
 #fit the one-way ANOVA model<\/span>\nmodel <- aov(score ~ technique, data = data)\n\n#view model output\n<\/span>summary(model)\n\n            Df Sum Sq Mean Sq F value Pr(>F)  \ntechnical 2 211.5 105.73 3.415 0.0476 *\nResiduals 27 836.0 30.96                 \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1<\/strong><\/pre>\n
 Da der Gesamt-p-Wert ( 0,0476<\/strong> ) kleiner als 0,05 ist, weist dies darauf hin, dass nicht jede Gruppe die gleiche durchschnittliche Pr\u00fcfungspunktzahl aufweist.<\/span><\/p>\n
 Als n\u00e4chstes f\u00fchren wir den Scheffe-Test durch, um festzustellen, welche Gruppen unterschiedlich sind.<\/span><\/p>\n
 Schritt 4: F\u00fchren Sie den Scheffe-Test durch.<\/strong><\/span><\/p>\n
 Um den Scheffe-Test durchzuf\u00fchren, verwenden wir die Funktion ScheffeTest()<\/strong> aus dem DescTools-<\/a> Paket.<\/span><\/p>\n
 Der folgende Code zeigt, wie diese Funktion f\u00fcr unser Beispiel verwendet wird:<\/span><\/p>\n
 #load DescTools package<\/span>\nlibrary(DescTools)\n\n#perform Scheffe's test\n<\/span>ScheffeTest(model)\n\n  Posthoc multiple comparisons of means: Scheffe Test \n    95% family-wise confidence level\n\n$technical\n            diff lwr.ci upr.ci pval    \ntech2-tech1 4.2 -2.24527202 10.645272 0.2582    \ntech3-tech1 6.4 -0.04527202 12.845272 0.0519 .  \ntech3-tech2 2.2 -4.24527202 8.645272 0.6803    \n\n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n<\/strong><\/pre>\n
 Das Ergebnis l\u00e4sst sich wie folgt interpretieren:<\/span><\/p>\n